Aprenda Aprendizado de Máquina Quântica
Se você deseja aprender aprendizado de máquina quântica em 2025, esses cinco repositórios do GitHub podem ajudá-lo a começar em horas, e não meses. O aprendizado de máquina quântica combina ideias da computação quântica e do aprendizado de máquina. Muitos pesquisadores estão estudando como os computadores quânticos podem ajudar com tarefas de aprendizado de máquina. Para apoiar esse trabalho, vários projetos de código aberto no GitHub compartilham recursos de aprendizado, exemplos e código. Esses repositórios tornam mais fácil entender os conceitos básicos e ver como o campo está se desenvolvendo. Neste artigo, examinamos cinco repositórios que são especialmente úteis para aprender aprendizado de máquina quântica e entender o progresso atual no campo. Esses recursos fornecem vários pontos de entrada para diferentes estilos de aprendizado.
Essa grande lista do repositório awesome-quantum-machine-learning (com 3.200 estrelas) funciona como uma “tabela de conteúdo” para o campo. Ela cobre conceitos básicos, algoritmos, materiais de estudo e bibliotecas ou software. É excelente para iniciantes que desejam ver todos os subtemas – como kernels, circuitos variacionais ou limitações de hardware – em um só lugar. Licenciada sob CC0-1.0, serve como um ponto de partida fundamental para qualquer pessoa que queira aprender os conceitos básicos do aprendizado de máquina quântica. Além disso, o repositório é atualizado regularmente, garantindo que os recursos sejam relevantes e úteis para os estudantes. Com mais de 3.000 estrelas, é um dos repositórios mais populares do GitHub relacionados ao aprendizado de máquina quântica.
O repositório awesome-quantum-ml (com 407 estrelas) é menor e mais focado em artigos científicos de qualidade e recursos-chave sobre algoritmos de aprendizado de máquina que executam em dispositivos quânticos. É ideal se você já conhece os conceitos básicos do campo e deseja uma fila de leitura de artigos, pesquisas e trabalhos acadêmicos que expliquem conceitos-chave, descobertas recentes e tendências emergentes na aplicação de métodos de computação quântica a problemas de aprendizado de máquina. O projeto também aceita contribuições da comunidade por meio de solicitações de pull. Isso permite que os estudantes e pesquisadores contribuam para o repositório e compartilhem seus próprios recursos e conhecimentos. Com mais de 400 estrelas, é um repositório respeitado e reconhecido pela comunidade de aprendizado de máquina quântica.
O repositório Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 (com 163 estrelas) contém o código do livro Hands-On Quantum Machine Learning With Python (Vol 1). Ele é estruturado como um caminho de aprendizado, permitindo que você siga capítulos, execute experimentos e ajuste parâmetros para ver como os sistemas se comportam. É perfeito para aprendizes que preferem aprender fazendo com notebooks e scripts em Python. O repositório fornece um conjunto completo de recursos para os estudantes, incluindo código-fonte, exemplos e exercícios práticos. Com mais de 160 estrelas, é um repositório popular e útil para os estudantes de aprendizado de máquina quântica.
Embora seja um repositório menor, Quantum-Machine-Learning-on-Near-Term-Quantum-Devices (com 25 estrelas) é altamente prático. Ele contém projetos que se concentram em dispositivos quânticos de curto prazo – ou seja, hardware de qubit ruído e limitado de hoje. O repositório inclui projetos como máquinas de suporte vectoriais quânticas, redes neurais convolucionais quânticas e modelos de reupload de dados para tarefas de classificação. Ele destaca restrições do mundo real, o que é útil para observar como o aprendizado de máquina quântica funciona em hardware atual. Com mais de 20 estrelas, é um repositório útil para os estudantes que desejam explorar a aplicação prática do aprendizado de máquina quântica.
Essa é uma biblioteca qiskit-machine-learning (com 939 estrelas) completa com kernels quânticos, redes neurais quânticas, classificadores e regressores. Ela se integra ao PyTorch por meio do TorchConnector. Como parte do ecossistema Qiskit, é co-mantida pela IBM e pelo Hartree Centre, que faz parte do Science and Technology Facilities Council (STFC). É ideal se você deseja construir pipelines de aprendizado de máquina quântica robustos em vez de apenas estudá-los. Com mais de 900 estrelas, é uma das bibliotecas mais populares e respeitadas do GitHub relacionadas ao aprendizado de máquina quântica.
Uma sequência de aprendizado produtiva envolve começar com uma lista “incrível” para mapear o espaço, usar a lista de artigos para construir profundidade e, em seguida, alternar entre notebooks guiados e projetos práticos de curto prazo. Finalmente, você pode usar a biblioteca Qiskit como sua ferramenta principal para experimentos que podem ser estendidos em fluxos de trabalho profissionais completos. Com esses recursos, os estudantes podem aprender o aprendizado de máquina quântica de forma eficaz e prática, preparando-se para as oportunidades e desafios desse campo em constante evolução.
Kanwal Mehreen é uma engenheira de aprendizado de máquina e uma escritora técnica com uma paixão profunda por ciência de dados e a interseção da IA com a medicina. Ela co-autorou o e-book “Maximizando a Produtividade com ChatGPT”. Como bolsista Google Generation Scholar 2022 para APAC, ela defende a diversidade e a excelência acadêmica. Ela também é reconhecida como bolsista Teradata Diversity in Tech, Mitacs Globalink Research Scholar e Harvard WeCode Scholar
